Data-Efficient Sleep Staging with Synthetic Time Series Pretraining

要約

脳波 (EEG) 時系列の分析は、被験者間のばらつきが大きく、データセットが小さいことが多いため、特にディープ ニューラル ネットワークでは困難な場合があります。
これらの課題に対処するために、自己教師あり学習などのさまざまな戦略が提案されていますが、それらは通常、広範な経験的データセットに依存しています。
コンピュータビジョンの最近の進歩に触発され、ランダムに生成された合成時系列の周波数内容を予測することによって睡眠ステージングのためにニューラルネットワークを事前訓練する「周波数事前訓練」と呼ばれる事前訓練タスクを提案します。
私たちの実験は、私たちの方法が限られたデータと少数の被験者のシナリオで完全教師あり学習を上回り、多くの被験者がいるレジームでのパフォーマンスに匹敵することを示しています。
さらに、我々の結果は、睡眠段階のスコアリングにおける周波数情報の関連性を強調すると同時に、ディープニューラルネットワークが周波数を超えた情報を利用して睡眠段階のパフォーマンスを向上させることも実証しており、これは以前の研究と一致しています。
私たちのアプローチは、脳とコンピュータのインターフェースの領域を含む、EEG データが限られている、または少数の被験者から得られる広範なアプリケーションにわたって有利になると予想しています。

要約(オリジナル)

Analyzing electroencephalographic (EEG) time series can be challenging, especially with deep neural networks, due to the large variability among human subjects and often small datasets. To address these challenges, various strategies, such as self-supervised learning, have been suggested, but they typically rely on extensive empirical datasets. Inspired by recent advances in computer vision, we propose a pretraining task termed ‘frequency pretraining’ to pretrain a neural network for sleep staging by predicting the frequency content of randomly generated synthetic time series. Our experiments demonstrate that our method surpasses fully supervised learning in scenarios with limited data and few subjects, and matches its performance in regimes with many subjects. Furthermore, our results underline the relevance of frequency information for sleep stage scoring, while also demonstrating that deep neural networks utilize information beyond frequencies to enhance sleep staging performance, which is consistent with previous research. We anticipate that our approach will be advantageous across a broad spectrum of applications where EEG data is limited or derived from a small number of subjects, including the domain of brain-computer interfaces.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google